卷積神經網絡的缺陷
前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇卷積神經網絡的缺陷范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。
卷積神經網絡的缺陷范文第1篇
關鍵詞：無人機；STM32；道路檢測；神經網絡；模型訓練
傳統的道路巡檢和保養主要由人工來完成，需要投入大量的人力物力來保證道路的相對安全，這種方式存在著低效率、高成本且難以保證道路的決定安全[1]。固定式交通檢測設備大量設置在道路的主干路上，也存在著一些缺陷：（1）監控攝像頭不能做到全覆蓋且具有一定的探測盲區。（2）監控系統采用多屏幕方式，工作人員進行道路故障判斷時受限。（3）不能靈活的通知有關部門對事故的快速應急處理。為了克服上述的缺點，本文設計了一種基于卷積神經網絡的無人機道路巡檢系統，對發生故障和需要保養的道路能快速響應，及時的通知有關部門，避免事故的發生。
1系統的總體設計
在無人機道路巡檢系統中，我們主要考慮了以下幾個要求[3]：（1）無人機系統能滿足正常的工作；（2）無人機系統能適應各種天氣和氣候變化等；（3）無人機系統應充分考慮控制的安全性；（4）視頻流的傳輸應避免較長的延時。無人機道路巡檢系統主要由無人機系統設計、遠程控制系統、PC端系統三大部分組成，系統的總體結構框圖如圖1所示。系統的具體工作原理為：無人機將道路環境檢測的結果，將處理后的視頻流通過遠程傳輸的方式，發送到PC端進行實時監控道路狀況。遠程控制系統以STM32作為主控芯片，主要包括在無人機端和遙控端兩個部分，遙控端將控制指令通過2.4G通信發送到無人機端，此時無人機的做出相應的位姿變化，完成遙控端對無人機位姿的控制。無人機系統的圖像采集模塊芯片為樹莓派，完成圖像的采集并采用TCP通信實現遠程視頻的傳輸，將獲取的視頻流傳輸到PC端。PC端上使用OpenCV對圖像進行處理[4]，利用深度學習模塊對設計的神經網絡進行數據訓練，從而得到檢測模型，最后在PC上接收處理過的數據并實時監測道路狀況。上述工作原理可實現無人機道路巡檢系統，下文將對其包括的三大模塊進行說明介紹。
2無人機系統設計
本次使用的是RaspberryPi3(modelB+)作為無人機的主控制板[7]，無人機的飛行控制算法和圖像采集模塊集成在樹莓派中。遠程控制系統通過2.4G無線通信模塊連接，通過控制器實現對無人機飛行和圖像采集的控制。無人機系統總體結構如圖2所示。
3PC端系統設計
在PC端系統設計主要分為圖像預處理、模型訓練和視頻監控三大部分，通過TCP通信協議進行通信，TCP通信是一種面向連接的通信，可完成客戶端（樹莓派）和服務端（PC）的信息傳遞[9]。下面主要對前兩部分詳細介紹。
3.1圖像預處理
本系統對地面裂縫檢測的圖像預處理流程如圖3所示具體工作原理為：（1）采用加權平均灰度化對獲取的無人機影像進行灰度化處理；（2）對灰度化處理后的影像進行直方圖均衡化，使得影像具有高對比度和多元的灰度色調變化，為后續的濾波降噪奠定基礎；（3）對處理后的影像進行濾波降噪，消除孤立的噪聲點，采用方法的是中值濾波降噪；（4）使用迭代二值化處理將影像的灰度值設置合適的閾值，使得圖像更簡單，目標更突出，然后對圖像進行分割，計算迭代的閾值，判斷迭代的閾值是否收斂到某一值或者達到限定的迭代次數，如果是的話，將完成二值化處理和濾波，否則將初始二值化閾值；（5）最終完成道路故障的識別與標記。
3.2模型檢測
3.2.1卷積神經網絡原理使用卷積神經網絡進行模型訓練，首先使用卷積層實現特征的提取，原理如圖4所示。如圖5所示，卷積操作是模仿神經元的機制。不同的輸入在權重的影響下會有不同的輸出，根據損失函數的計算來不斷的更新權重，直到獲得合理的權重參數。初始傳遞的信號為x，中間通過權重w，再經過偏置b后連接在末端，最后輸出信號變成wx+b。fun(?)表示激活函數，最終f(z為輸出的結果，如式（1）所示。3.2.2卷積神經網絡訓練流程通過相機采集到的缺陷和問題圖像作為訓練樣本，這部分是檢測道路安全的關鍵一步，（1）訓練標記數據：首先使用圖像預處理中標記好的道路故障提取出來，通過卷積神經網絡對標記框內的目標數據進行訓練；（2）提取特征數據：將道路故障的類型統計并歸納；（3）誤差反饋學習：對測試樣本進行誤差反饋學習，并進行測試；（4）優化訓練數據：根據實際應用場景增加圖像的種類和數量，不斷訓練模型。3.2.3故障的基本分類道路故障主要路面缺陷（例如裂縫、殘缺等）和路面增加（例如長時間靜止的車輛和路人），各自訓練集數量為1000張。如表1所示。3.2.4實驗測試為實現故障的檢測，測試數據集為100張，不同類型故障數據50張，均采集自新道路且與訓練樣本一致，實驗結果如表2所示。由表2可知，檢測路面增加（例如長時間靜止的車輛和路人）的準確率高達96%，但是地面缺陷的準確率相比較而言略低，可能造成的原因是：①硬件原因導致采集的圖像清晰度比較低；②地面缺陷太小，無人機難以識別；③訓練的數據集較少，特征學習誤差大；但是滿足了設計需求，還需進一步改進。
4總結與展望
卷積神經網絡的缺陷范文第2篇
【關鍵詞】人工智能 機器視覺 PCB 機器人生產線
隨著《“互聯網+”人工智能三年行動實施方案》的和國家對制造業的高度重視，2016年中國人工智能市場規模達到239億，其中智能硬件平臺為152.5億，占比達到63.8%，高于86.5億的軟件集成平臺。未來三年人工智能市場將迎來新興機遇點，預計2017年產業規模達到295.9億，2018年將達到381億元，復合增長率達26.3%。
很顯然，人工智能正處于爆發式的發展階段，作為對于先進科技最為敏感的工業界，會有大批量的技術更新換代的需求。人工智能可以從各種方面優化制造業，提高流水線效率，精進制造工藝，解放技術工人生產力等等。人工智能的發展將會重塑萬億級別的產業，激發工業界的潛在創新能力。
1 基于計算機視覺的視覺層智能高速檢測排錯設備設計方案
印刷電路板（PCB）是集成各種電子元器件的信息載體，由于貼片元器件體積小，安裝密度大，這就要求PCB板的集成度進一步提高。為了保證電子產品的性能，PCB板缺陷檢測技術已經成為電子行業中非常關鍵的技術。電路板缺陷檢測包括兩部分：焊點缺陷檢測和元器件檢測，傳統的檢測采用人工檢測方法，容易漏檢、檢測速度慢、檢測時間長、成本高，已經逐漸不能夠滿足生產需要。因此，設計一種高效精準搭載工業相機以取代人眼的機器視覺電路板檢測系統，具有非常重要的現實意義。機器視覺檢測技術是建立在圖像處理算法的基礎上，通過數字圖像處理與模式識別的方法來實現，與傳統的人工檢測技術相比，提高了缺陷檢測的效率和準確度。
本系統將視覺設備設置于電子設備（如PCB板，單片機，電腦主板）安裝的末端，采用高速工業攝像頭，對裝配好的器材進行拍照，并出傳輸到排錯設備的主機進行高速的分析，在毫秒級單位的時間內，分析出正在檢測的設備是否正確安裝及正確排版等一系列視覺層可分析的錯誤（電容大小是否正確，排線順序是否正確，電路板虛焊是否存在等問題）。
本系統由計算機視覺的分支：深度學習的CNN（卷積神經網絡）在主板中實現，根據檢測設備的不同，在前期進行大量的圖片訓練，調卷積神經網絡各個層次之間的參數權重，構建專屬的卷積神經網絡。將圖片轉換成像素級的矩陣，并對其進行多層次卷積，得到該像素矩陣的得分函數，返回該圖片的分類，確定是否為正確的組裝設備，如圖1所示。
2 基于視覺機器人智能生產線設計方案
建立在3D視覺引導下的，機器人與機器人間，機器人與供料機構間的定位聯動系統。該系統以機器人為主體，供料機構與機器人可任意組合。采用手眼識別的定位原理，首先通過CCD攝像機、圖像信號接收與A/D轉換模塊、圖像處理模塊，實現對圖像信息的獲取、采集、轉化、分析、提取和邊界特征識別，分析出供料機構的空間坐標信息，并傳送給總控模塊，總控模塊做出智能判斷并指導控制執行模塊，將供料機構的坐標系與自己建立的坐標系關聯。通過供料機構的電路接口與主控機器人的電路接口。
該生產線包括傳送帶和高精度的搬運、注膠、焊接和裝配機器人等。在機械臂的末端裝置CCD攝像機，使得機器人能夠精準快速的查找裝備目標，極大地節約設備運行效率。
使用OPENCV編譯的可執行文件，對攝像機傳輸回處理器的圖像進行，線性切分，轉換像素矩陣，灰度化圖像。并在毫秒級環境下，準確提取圖片特征，對圖片進行分析，找到操作點。
各功能機器人實現聯動工作，生產線傳送帶將空殼體傳送至該工位，裝配機器人通過視覺設備將殼體固定于裝配工位，并根據視覺系統的分析，準確的將零件逐一安裝在殼體上，而后通過傳送帶將其傳送至打螺絲工位，打螺絲機器人，通過視覺設備快速定位螺絲口，快速精準選取所對應的的螺絲，從而實現高度智能化，自動化。然后螺絲振動盤上抓取螺絲安裝于殼體上，并進行固定；完成安裝后傳送帶將殼體運送到下一個工位。
3 基于大數據深度挖掘的工業智能腦決策系統
隨著大規模定制和網絡協同的發展，制造業企業還需要實時從網上接受眾多消費者的個性化定制數據，并通過網絡協同配置各方資源，組織生產，管理更多各類有關數據。
本系統構建了基于大數據深度挖掘及潛在價值分析的智能決策模型，定義為數字工廠智能腦模型，系統體系由以下四個方面組成。
（1）數據流收集系統。數據從設備不同的傳感器生成后被通過網絡傳輸到生產商的服務器上。
（2）數據豐富系統。利用其他外部數據來豐富已有的機器日志，比如說人口數據，地址數據。
（3）變量生成系統。在一段時間內，為每個測量值，每臺設備生成幾千個變量特征的范式。
（4）機器學習系統。具有預測力的變量被自動選擇，分類模型已經建立創建完成，并用于后期收集的數據。
（5）商業行動系統。生產商以及銷售網絡可以執行或者建議對高風險機器進行預防性維修，如圖2所示。
4 結束語
人工智能在國內外處于一個黃金階段且正在高速發展，但國內的發展相對滯后，本文旨在電子行業首創運用AI技術，實現作業機器人與智能視覺的協同，利用大數據分析平臺，指導企業的生產優化，對電子行業的智能化發展具有一定的指導作用。
參考文獻
[1]丁林祥.電子制造業機器人智能化解決方案[M].北京：機械工業出版社，2016（06）.
[2]吳云峰，邱華，胡華強.面向設計與制造的數字化工廠平臺[J].中國制造業信息化，2011（01）.
卷積神經網絡的缺陷范文第3篇
2.輸流管道參數共振的試驗研究梁峰，金基鐸，楊曉東，聞邦椿，LiangFeng，JinJiduo，YangXiaodong，WenBangchun
3.非接觸式超聲馬達的聲流及聲壓分析鄒楠，魏守水，姜春香，ZouNan，WeiShoushui，JiangChunxiang
4.基于核函數Fisher鑒別分析的特征提取方法胡金海，謝壽生，駱廣琦，李應紅，楊帆，HuJinhai，XieShousheng，LuoGuangqi，LiYinghong，YangFan
5.光纖機敏結構振動形態感知及其SMA致動控制朱曉錦，陸美玉，趙曉瑜，張合生，ZhuXiaojin，LuMeiyu，ZhaoXiaoyu，ZhangHesheng
6.虛擬式零件尺寸檢測儀的研制郭明青，秦樹人，王見，GuoMingqing，QinShuren，WangJian
7.一種基于支持向量機的齒輪箱故障診斷方法會，WuDehui
8.超聲電機多定子同步驅動技術的研究李亭，張鐵民，劉瀟建，LiTing，ZhangTiemin，LiuXiaojian
9.阻尼材料動態力學參數自動測試系統的設計胡衛強，王敏慶，劉志宏，馬少璞，周赤奇，HuWeiqiang，WangMinqing，LiuZhihong，MaShaopu，ZhouChiqi
10.減振裝置過油孔對阻尼閥水擊的影響研究陳軼杰，顧亮，黃華，張中生，王亞軍，ChenYijie，GuLiang，HuangHua，ZhangZhongsheng，WangYajun
11.點蝕與剝落對齒輪扭轉嚙合剛度影響的分析安春雷，韓振南，AnChunlei，HanZhennan
12.基于EKF訓練的RBF神經網絡及其故障診斷應用王璐，潘紫微，葉金杰，WangLu，PanZiwei，YeJinjie
13.液壓脈振注射機塑化過程螺桿動態特性分析王權，瞿金平，WangQuan，QuJinping
14.最佳小波包基改進軟閾值的消噪方法及應用侯新國，劉開培，魏建華，HouXinguo，LiuKaipei，WeiJianhua
15.新型多軸旋轉超聲電機原理金家楣，張建輝，趙淳生，JinJiamei，ZhangJianhui，ZhaoChunsheng
16.百萬等級汽輪發電機基礎動力特性優化研究代澤兵，劉寶泉，吉曄，王樹嶺，朱祝兵，DaiZebing，LiuBaoquan，JiYe，WangShuling，ZhuZhubing
17.CSP軋機扭振與垂振耦合研究閆曉強，史燦，曹曦，劉麗娜，YanXiaoqiang，ShiCan，CaoXi，LiuLina
18.抖晃對振動脈沖頻響特性估計的影響黃迪山，HuangDishan
19.剛架拱橋病害與損傷識別的動力學研究李枝軍，李愛群，繆長青，LiZhijun，LiAiqun，MiaoChangqing
20.大型船閘人字閘門工作模態試驗分析蔣建國，李勤，JiangJianguo，LiQin
21.CSP軋機振動的振源研究王永濤，臧勇，吳迪平，范小彬，WangYongtao，ZangYong，WuDiping，FanXiaobin
22.基于遺傳編程的發動機滑油系統故障診斷侯勝利，王威，胡金海，周根娜，HouShengli，WangWei，HuJinhai，ZhouGenna
23.低功耗頂板離層儀研究閻學文，吳波，廉自生
1.航空發動機轉子振動信號的分離測試技術馬建倉，石慶斌，程存虎，趙述元，MaJiancang，ShiQingbin，ChengCunhu，ZhaoShuyuan
2.刀具磨損監測及破損模式的識別康晶，馮長建，胡紅英，KangJing，FengChangjian，HuHongying
3.用最大重疊離散小波包變換的Hilbert譜時頻分析楊宇，何怡剛，程軍圣，于德介，YangYu，HeYigang，ChenJunsheng，YuDejie
4.柴油發動機曲軸軸承振動信號的雙譜分析趙慧敏，夏超英，肖云魁，李會梁，夏天，ZhaoHuimin，XiaChaoying，XiaoYunkui，LiHuiliang，XiaTian
5.動態·信息
6.基于能量的振動信號經驗模態分解終止條件胡勁松，楊世錫，HuJingsong，YangShixi
7.金屬橡膠材料阻尼性能的影響參數李宇燕，黃協清，LiYuyan，HuangXieqing
8.應用變精度粗糙集獲取柴油機故障有效監測點劉軍，LiuJun
9.反饋回路系統診斷策略優化技術研究楊鵬，邱靜，劉冠軍，YangPeng，QiuJing，LiuGuanjun
10.獨立分量分析在機械振動信號分離中的應用劉婷婷，任興民，LiuTingting，RenXingmin
11.基于KPCA-SVM的柴油機狀態識別方法的研究振動、測試與診斷 李宏坤，馬孝江，LiHongkun，MaXiaojiang
12.運用希爾伯特黃變換的橋梁顫振導數識別宋斌華，黃方林，王學敏，SongBinhua，HuangFanglin，WangXuemin
13.小波包時頻分析及其特性鐘佑明，ZhongYouming
14.基于EI及MAC混合算法的斜拉橋傳感器優化布置袁愛民，戴航，孫大松，YuanAimin，DaiHang，SunDasong
15.利用倒階次譜和經驗模態分解的軸承故障診斷康海英，祁彥潔，王虹，欒軍英，鄭海起，KangHaiying，QiYanjie，WangHong，LuanJunying，ZhengHaiqi
16.鋼混簡支梁加載損傷后耗能特征試驗研究王卓，閆維明，秦棟濤，劉昌鵬，WangZhuo，YanWeiming，QinDongtao，LiuChangpeng
17.三級同心液壓溢流閥噪聲特性的CFD分析陳青，許惠，權龍，ChenQing，XuHui，QuanLong
18.基于故障原因-征兆矩陣的故障診斷專家系統姚劍飛，江志農，趙慶亮，張雪，YaoJianfei，JiangZhinong，ZhaoQingliang，ZhangXue
19.往復式壓縮機氣缸壓力模擬曲線提取趙俊龍，，郭正剛，李宏坤，王奉濤，ZhaoJunlong，ZhangZhixin，GuoZhenggang，LiHongkun，WangFengtao
20.基于類間可分性度量和SVM的多故障分類算法李敏，楊潔明，張曉平，LiMin，YangJieming，ZhangXiaoping
21.磁通量法在預應力懸掛結構拉索施工中的應用宋杰，陳魯，張其林，陳國棟，SongJie，ChenLu，ZhangQilin，ChenGuodong
22.框架在脈沖位移作用下的回傳波射矩陣法解范志華，孫國鈞，繆馥星，FanZhihua，SunGuojun，MiuFuxing
23.改進的主成分分析方法在磁浮系統中的應用鄒東升，佘龍華，ZouDongsheng，YuLonghua
24.高速列車垂向振動的模擬器再現方法研究王小亮，李立，張衛華，WangXiaoliang，LiLi，ZhangWeihua
25.裝甲車輛動力傳動系統載荷譜測試方法研究潘宏俠，黃晉英，郭彥青，孫黎明，PanHongxia，HuangJinying，GuoYanqing，SunLiming
26.撓性接頭剛度測量中傳感器的研究王廣林，王慧峰，詹捷，陶崇德，孫國光，盧澤生，WangGuanglin，WangHuifeng，ZhanJie，TaoChongde，SunGuoguang，LuZesheng
1.橡膠V帶式無級變速器性能的測試與試驗研究上官文斌，王江濤，王小莉，ShangguanWenbin，WangJiangtao，WangXiaoli
2.一種新型孔式模態轉換型超聲電機楊淋，金家楣，趙淳生，YangLin，JinJiamei，ZhaoChunsheng
3.基于瞬態聲與階次倒譜的齒輪箱故障診斷田昊，唐力偉，陳紅，楊通強，張磊，TianHao，TangLiwei，ChenHong，YangTongqiang，ZhangLei
4.軸心軌跡自動識別及其在旋機診斷中的應用許飛云，鐘秉林，黃仁，XuFeiyun，ZhongBinglin，HuangRen
5.多傳感器主元方向和神經網絡的狀態識別方法張金萍，李允公，劉杰，ZhangJinping，LiYungong，LiuJie
6.多分支扭轉振動建模方法與分析軟件的研究袁清珂，曹廣忠，YuanQingke，CaoGuangzhong
7.基于EMD和球結構SVM的滾動軸承故障診斷楊潔明，田英，YangJieming，TianYing
8.新型氣浮聯合軸承轉子系統啟動過程振動特性張占一，應懷樵，劉杰，楊金福，李磊，ZhangZhanyi，YingHuaiqiao，LiuJie，YangJinfu，LiLei
9.基于粒子群優化的核主元分析特征的提取技術魏秀業，潘宏俠，王福杰，WeiXiuye，PanHongxia，WangFujie
10.齒輪箱起動過程故障診斷李輝，鄭海起，楊紹普，LiHui，ZhengHaiqi，YangShaopu
11.采用像素編碼技術的感應電機定子故障診斷侯新國，劉開培，夏立，胡煊，HouXinguo，LiuKaipei，XiaLi，HuXuanHtTp://
12.高架路交通誘發的地面振動測試與分析常樂，閆維明，任珉，周福霖，ChangLe，YanWeiming，RenMin，ZhouFulin
13.基于相關函數的多振動信號數據融合方法李學軍，李萍，褚福磊，LiXuejun，LiPing，ChuFulei
14.軸承-轉子系統在弱控制作用下的動力學行為孫保蒼，鐘曉波，陳威，駱英，馮耀嶺，SunBaocang，ZhongXiaobo，ChenWei，LuoYing，FengYaoling
15.振動、測試與診斷 海邊山坡場地爆破地震波的衰減測試與分析吳小波，WuXiaobo
16.雙圖同軸光纖束位移傳感器研究楊亮，張小棟，YangLiang，ZhangXiaodong
17.利用小波去噪和HHT的模態參數識別湯寶平，何啟源，蔣恒恒，陸冬，TangBaoping，HeQiyuan，JiangHengheng，LuDong
18.應用小波包和包絡分析的滾動軸承故障診斷唐貴基，蔡偉，TangGuiji，CaiWei
19.小波變換的流體壓力信號自適應濾波方法研究谷立臣，閆小樂，劉澤華，GuLichen，YanXiaole，LiuZehua
20.CSP軋機扭振中"偽拍振"的研究王永濤，臧勇，吳迪平，秦勤，范小彬，WangYongtao，ZangYong，WuDiping，QinQin，FanXiaobin
21.動態·信息
22.直升機旋翼不平衡故障診斷試驗研究高亞東，張曾锠，GaoYadong，ZhangZengchang
23.梁橋上移動荷載識別中的測點優化陳鋒，李忠獻，ChenFeng，LiZhongXian
24.基于遺傳小波神經網絡的雙余度電機故障診斷李世超，石秀華，崔海英，許暉，LiShichao，ShiXiuhua，CuiHaiying，XuHui
25.某型工業叉車護頂架的振動診斷楊義，李志遠，馬慶豐，YangYi，LiZhiyuan，MaQingfeng
26.銀基合金摩擦振動與噪聲特性的分析與控制陳傳海，楊世錫，鄭傳榮，ChenChuanhai，YangShixi，ZhengChuanrong
27.橢圓振動修整超聲磨削ZrO2溫度試驗研究陳東海，劉春孝，ChenDonghai，LiuChunxiao
1.超聲電機接觸界面的兩種簡化有限元模型周盛強，趙淳生
2.基于特征參數的旋轉機械智能故障診斷方法張征凱，薛松，張優云
3.《振動、測試與診斷》編委會會議紀要
4.燃料電池車氫氣輔助系統結構動態特性分析申秀敏，左曙光，蔡建江，張靜芬，李林，張世煒
5.鐵路貨車側墻制造過程建模與變形規律預測盧碧紅，李亞娜，聶春戈，兆文忠
6.改進支持向量機模型的旋轉機械故障診斷方法曹沖鋒，楊世錫，周曉峰，楊將新
7.基于小波神經網絡的木質材料缺陷模式識別孫建平，王逢瑚，曹軍，胡英成
8.旋轉機械故障診斷中的振動信號自適應分形壓縮算法唐貴基，張杏娟，杜必強
9.距離函數分類法在制粉系統故障診斷中的應用陳蔚，賈民平
10.基于模態綜合技術的結構有限元模型修正劉洋，段忠東，周道成
11.循環平穩度在發電機組故障趨勢分析中的應用左云波，王西彬，徐小力
12.900t級架橋機多軟件協同仿真平臺試驗研究凌正陽，曹恒，王瑜，張振雄，商偉軍
13.岸橋前大梁鉸支座支承對其橫向振動的影響邱惠清，盧凱良，李雪，歸正，曾怡
14.車輛發動機懸置處的動態剛度仿真研究蘭鳳崇，謝然，陳吉清
15.拉索平面內自由振動影響因素分析姜健，李國強，郝坤超
16.基于小波和自組織網絡的電纜故障識別汪梅，曲立娜
17.非庫侖摩擦轉子試驗臺碰摩分叉行為振動、測試與診斷 王正浩，王景愚
18.小波包與改進BP神經網絡相結合的齒輪箱故障識別時建峰，程珩，許征程，史少輝，時偉，鈕效鹍
19.基于奇異值分解的頻響函數降噪方法孫鑫暉，張令彌，王彤
20.球磨機料位電聲檢測系統的研制楊數強，余成波，全曉莉，崔焱喆
21.上臥式閘門水彈性振動試驗研究顧云，嚴根華，趙建平
22.抖晃初相在振動頻響估計誤差中的作用黃迪山
23.大型鋁電解槽針振信號深層特征提取方法研究周孑民，單峰，唐騫，李賀松，蔣科進，郭潔
24.非穩態信號計算階次分析中的重采樣率研究汪偉，楊通強，王紅，王平，鄧士杰
25.基于無傳感器檢測方法的機械系統扭振試驗研究時獻江，郭華，邵俊鵬
26.運用小波變換檢測汽車后橋總成故障余德平，王寶強，史延楓，任德均，姚進
27.基于AR模型和神經網絡的柴油機故障診斷黃泉水，江國和，肖建昆
1.運用改進殘余力向量法的結構損傷識別研究何偉，陳淮，王博，李靜斌，HeWei，ChenHuai，WangBo，LiJingbin
2.交通荷載作用下橋梁結構參數識別方法吳子燕，易文迪，趙宇，WuZiyan，YiWendi，ZhaoYu
3.行波超聲電機定、轉子接觸狀態試驗分析姚志遠，吳辛，趙淳生，YaoZhiyuan，WuXin，ZhaoChunsheng
4.伺服閥滑閥疊合量測量方法潘旭東，王廣林，邵東向，韓俊偉，PanXudong，WangGuanglin，ShaoDongxiang，HanJunwei
5.基于CAN總線遠程振動監測系統研究何青，李紅，何子睿，HeQing，LiHong，HeZirui
6.縱向脈沖作用下壓電層合桿的動力分析彭亮，羅松南，鄧慶田，PengLiang，LuoSongnan，DengQingtian
7.超臨界600MW機組檢修后振動分析及處理劉石，劉興久，馮永新，劉永生，朱軍，肖小清，王棟，LiuShi，LiuXinjiu，FengYongxin，LiuYongsheng，ZhuJun，XiaoXiaoqing，WangDong
8.虛擬式流體參量集成測試系統及其實現季忠，陳青，秦樹人，溫海松，JiZhong，ChenQing，QinShuren，WenHaisong
9.彈性支承雙跨碰摩故障轉子系統非線性特性李東，袁惠群，吳立明，LiDong，YuanHuiqun，WuLiming
10.盲解卷積的機械振動信號分離技術劉婷婷，任興民，楊永鋒，郭峰，LiuTingting，RenXingmin，YangYongfeng，GuoFeng
11.基于壓電元件的懸臂梁半主動振動控制研究趙永春，季宏麗，裘進浩，朱孔軍，ZhaoYongchun，JiHongli，QiuJinhao，ZhuKongjun
12.凸輪軸加工的誤差在線測量方法研究周傳德，賀澤龍，吳宏剛，張彩芳，ZhouChuande，HeZelong，WuHonggang，ZhangCaifang
13.振動、測試與診斷 一種仿真數字人步態規劃優化算法曹恒，凌正陽，王瑜，龍勇波，朱鈞，CaoHeng，LingZhengyang，WangYu，longYongbo，ZhuJun
卷積神經網絡的缺陷范文第4篇
本文結合計算機行業的發展，對計算機網絡云計算技術進行了分析研究，希望能為計算機技術的進步提供一定的理論支持。
一、計算機網絡的云計算技術概念
美國的網絡公司最早提出計算機網絡云計算技術的概念，隨著科學的進步與發展已經逐漸成為了一門成熟的技術，有著豐富的理論基礎與實踐經驗。現在的“云計算”技術是指能將網絡、硬件、設備相融合，同時實現規模性、安全性、虛擬性的技術。目前來看，對計算機網絡云計算的定義還沒有統一的趨勢，每一名研究人員都有自己的研究與看法，通過研究與分析，本文對云計算的觀點是：首先，每一個“云”都是獨立的計算機分布體系，基于網絡化、虛擬化的計算機服務層，與計算機中的資源保持一定的節奏，實現計算機資源的同步。其次，計算機網絡云是一個綜合體，并非是獨立的，計算機軟件的開發中離不開云計算的環節，其重點就是網絡云計算特征的研究。對于計算機網絡的使用者來說，計算機集成軟件層面，能被接受與理解的就是云計算，在本文重點突出的就是云計算的屬性。最后，計算機網絡的使用者沒有進行長期的規劃后使用，很容易出現浪費現象，目前的云計算技術可以實現分或秒內的數據計算，可以很好地避免資源過載或資源浪費現象。
通過研究可以看出，計算機網絡云計算技術可以定義成計算機網絡中進行的某種服務形式，其中相關的硬件設施與軟件系統統稱為計算機網絡云計算。定義中包括網絡計算機、超級計算機、集成技術等，相關的技術既有區別又有聯系。計算機網絡云計算技術的原理是：大量的數據分布于分布式計算機中，同時保證用戶的數據系統與計算機同步運行，進而實現及時將需要的資源切換到相應的應用中，根據使用者的訪問需求進行存儲系統與計算機系統的定位。計算機網絡云計算技術可以基于用戶服務需求及時提供所需的網絡信息資源。計算機網絡云計算技術適應性強，彈性好，專業技術性高，發展前景十分好，應用越來越廣泛。
二、計算機網絡云計算技術的分類
基于多樣化的標準，計算機云計算的分類也有多種方式。比較常見的是：根據服務方式的不同，云計算可以分為私有云和公有云。私有云是根據用戶的自身情況進行獨立使用，同時建立平臺，操作性與實用性十分好。公有云是ζ淥用戶的資源進行開發利用。在選擇私有云與公有云時，應該考慮的主要因素是：
1.服務的延續性
大部分情況下，公有云提供的服務容易受外界影響，如網絡故障等情況，而私有云則不會出現這種問題。
2.數據安全性
如果對于穩定性與安全性不存在過高要求，則比較適合使用公有云。
3.綜合使用成本
通常狀況下，如果對于計算資源要求不高可以選用公有云，如果對于計算資源要求較高則比較適合建立自己的私有云平臺。
4.監控能力
公有云可以將使用用戶對系統的監控能力屏蔽起來，這對于金融保險投資行業是十分有必要的。
三、計算機網絡云計算技術的實現
為了將計算機系統的系統處理過程進行簡化，通常將該過程劃分為預處理過程與功能實現過程兩大部分。對系統的各項功能進行分解，得到一些不需要進行功能實現過程與預處理過程的功能。對于可以進行預先處理過程的功能通常是一次性處理，在執行過程中，可以將預處理過程得到的結果直接使用，以此完成特點的系統功能。該方法與原則的采用，極大地簡化了系統，大幅度提高了系統運行效率。計算的云化中的系統就是計算云化系統，它的計算量十分巨大，系統計算運行效率極高。但因為計算云化系統為一次處理系統，只要計算云規則生成，計算云化系統的使命與任務也就完成，而不是在對計算機加以應用時需要該系統。通常在計算機網絡云計算中形成的系統就是云計算系統，是一個十分簡單的系統，對計算機的處理能力沒有過高要求，同時應用于各類計算機系統計算中。
四、計算機網絡云計算的計算與優勢
建立計算機網絡云計算過程的第一步是服務器架構的建立，其對計算機網絡云計算技術中的IAAS部分進行充當。目前來看，仍沒有關于網絡云計算服務器架構的專門、統一的標準出現，這需要一定的相關技術進行支持，例如計算區域網SAN和附網NAS等，這都是應用比較多的服務器架構技術。NAS文件計算系統是松散結構型的集群，它的架構有很明顯的分布式特征。NAS文件系統集群中的各個節點具有互補與相互影響的特點，文件是最小的單位，因為只要在集群存儲文件就可以計算出文件的數據信息，直接減少了很多計算的冗余性。它的拓展性很高，同時成本較低，安全控制系統安全穩定。如果客戶發出過多的請求，NAS系統的限制就表現出來，二級計算就可以通過NAS的云服務完成。
SAN是一種緊密結合類型的集群，在集群中存儲文件之后，可以分解成很多個數據塊。相比于集群之中的節點，各數據塊之間能夠進行相互訪問。節點可以借助于訪問文件間的數據塊針對客戶的請求進行處理。SAN系統之中可以通過節點數量增減來響應請求，同時提升界定本身的性能。為了能夠將以SAN為基礎的OBS發展起來，就需要更好的性能與更低的成本。而SAN計算建構的硬件價格十分高，同時依托于SAN的服務價格，因此可以適當地降低一下性能，保證更好的性能與更低的成本。
五、實例――基于谷歌云計算技術的AlphaGo亮點分析
AlphaGo通過谷歌云計算技術，擁有與人類棋手類似的“棋感”，其技術遠勝于1997年IBM公司研制的超級電腦“深藍”。“深藍”面對的是相對圍棋簡單多的國際象棋，設計理念為根據棋局情況不斷演算各種可能的步驟，最終從各種步驟中選定走棋方案。AlphaGo背后的云計算技術，可以讓AlphaGo無需“暴力”分析演算所有步驟，只需要把運算能力都集中在“棋感策略”網絡中最有可能的情況上。其背后的深層算法，具備三大亮點：（1）深度卷積神經網絡學習技術：“棋感策略”網絡的本質學習人類圍棋大師走法思維。AlphaGo藉此擁有強大的盤面評估能力。（2）增強學習算法技術：此算法可通過自我對弈來持續提升AlhpaGo的棋感策略和盤面評估能力，并且給出落子選擇。（3）蒙特卡洛搜索技術：“評價網絡”的核心，可以融合棋感策略和盤面評估能力，修正落子選擇而最終給出落子方案。
六、計算機網絡云計算技術發展遇到的問題
在目前計算機網絡云計算技術廣泛地運用到各個領域的過程中，云計算技術也存在一些缺陷與不足還需要引起我們的重視，同時在云計算的應用過程中應采用足夠的措施來對數據信息的安全性進行可靠的保障，這是計算機網絡云計算技術發展過程中十分重要的一項課題。現在的大部分云端是通過瀏覽器進行接入的，瀏覽器是計算機系統中非常薄弱的地方，存在著很多的缺陷與漏洞，因此用戶的云端接入瀏覽器時，用戶證書與認證密鑰特別容易因為瀏覽器漏洞而產生泄密。同時由于不同的應用都需要在云端中進行認證，這就需要保證認證機制的高效性與安全性。在應用服務層之中，應該采取安全有效的措施來保護用書的隱私安全，在基礎設施層中要采取安全可靠的方法保C數據的安全性。
七、采取措施保障網民數據安全
如果數據的安全不能得到保障，就會對云計算的發展產生不利影響，所以為了能夠保障網民數據的安全。就需要采取切實可行的手段來保證數據的安全性。
1.隔離操作系統與數據
為了能夠切實有效地保障網民信息的安全，就需要充分使用Hypervisor，從而將網民的操作系統與數據資源隔離起來，從而有效地保證了計算資源的安全性，避免了網民操作系統所帶來的可能的不利影響。
2.重置API保護層
服務商提供給用戶API，用戶根據需要進行應用。但同時第三方也有可能對這些API進行使用。為了保證數據的安全性，就需要你安裝API保護層，重疊保護API。
3.嚴格身份認證
服務商應嚴格的執行身份認證，防范冒充網民身份的行為，加強對賬號與密碼的管理控制，確保網民只訪問自己的程序與數據，從而保證數據資源的安全性。
卷積神經網絡的缺陷范文第5篇
關鍵詞：醫學超聲圖像； 液性病變； 邊緣提取； Snake模型
中圖分類號：TN91934文獻標識碼：A文章編號：1004373X(2012)04009804
Application of edge detection algorithms in medical ultrasonography images of discharge diseases
GAO Haijuan1, PING Ziliang1, ZHOU Suhua1, HOU Yingbin2
(1. Century College, BUPT, Beijing 102613, China; 2. Beijing United Imaging Co., Ltd, Beijing 100193, China)
Abstract： The medical ultrasound image with lesion containing liquid always show several hypoecho zones with unclear edge, like "Honeycomb". In order to extract clear edge of such images and generate further data for clinic diagnosis, several different edge detection algorithms are applied to medical ultrasound images with lesion containing liquid. Experiments shows, classic edge detection algorithms can't achieve desired image edge, whereas edge detection algorithm based on Snake model manually set edge control points, intellectually and dynamically adjusts curve shape, and finally get an excellent result, which shows high clinic application value.
Keywords： medical ultrasound image; lesion containing liquid; edge extraction; Snake model
收稿日期：20110815
基金項目：國家自然科學基金資助項目(610650040引言
鑒于醫學圖像可以看到人體組織的局部器官病變，所以醫學成像成為疾病檢查的重要手段，但由于設備、技術等原因，得到的醫學圖片邊緣往往模糊不清，因此醫學圖像邊緣檢測是醫學圖像處理和分析的一個非常重要的分支［1］。目前醫學成像方法主要有：X光成像、核磁共振成像、超聲成像以及正電子發射斷層成像，其中，超聲成像從成像成本、成像時間以及對病人的傷害等方面都顯示出了它的優勢，本文就以醫學超聲圖像為例，對超聲診斷中常見的液性病變圖像進行邊緣提取算法分析。
經典的邊緣檢測算子利用邊緣處一階或二階導數來檢測梯度變化情況，基本的微分檢測算子有Roberts算子、Sobel算子、拉普拉斯算子和Canny算子等。近年來，隨著數學理論和人工智能的發展，又出現了許多新的邊緣檢測方法，比如基于分數階微分法、小波變換法、Snake模型法、模糊檢測法、數學形態學法、神經網絡法等。這些邊緣檢測方法最終目的都是檢測出圖像的邊緣信息，但在解決特定特征圖像時也顯現出各自的優勢和不足之處。所以，如何采用合適的技術對醫學圖像進行邊緣提取，為臨床醫生提供更準確的病人數據是目前研究的一個熱點。
本文首先對幾種邊緣檢測方法進行分析，然后將其應用于超聲液性病變圖像的邊緣提取中，得出不同的提取效果，與采用改進的Snake模型邊緣提取算法進行比較，實驗表明，基于Snake模型的邊緣提取算法邊緣提取效果較好。
1邊緣檢測算法
邊緣檢測目的是要檢測出圖像中灰度變化的不連續區域，確定它們在圖像中的精確位置，為后期的圖像分析和處理提供信息，圖像的邊緣包含了物體形狀的重要信息,主要存在于目標與目標、目標與背景、區域與區域(包括不同色彩)之間，是圖像分割、紋理特征和形狀特征等圖像分析的重要基礎［2］。圖像邊緣檢測的實質是采用某種算法來提取出圖像中對象與背景間的交界線［3］。
1.1基于一階微分的邊緣檢測算法
圖像中的邊緣通常與圖像強度或圖像強度的一階導數的不連續性有關。圖像強度的不連續可分為：
(1) 階躍不連續，即圖像強度在不連續處的兩邊的像素灰度值有著顯著的差異；
(2) 線條不連續，即圖像強度突然從一個值變化到另一個值，保持一個較小的行程后又返回到原來的值。
在一維情況下，階躍邊緣同圖像的一階導數局部峰值有關。梯度是函數變化的一種度量，而一幅圖像可以看作是圖像強度連續函數的取樣點陣列。因此，圖像灰度值的顯著變化可用梯度的離散逼近函數來檢測［4］。
梯度是一階導數的二維等效式，定義為向量：G(x,y)=Gx
Gy=fx
fy(1)有2個重要的性質與梯度有關：
(1) 向量G(x,y)的方向就是函數f(x,y)增大時的最大變化率方向；
(2) 梯度的幅值由下式給出：|G(x,y)|=G2x+G2y(2)在實際應用中，通常用絕對值來近似梯度幅值：|G(x,y)|=|Gx|+|Gy| (3)或：|G(x,y)|≈max(|Gx|,|Gy|)(4)由向量分析可知，梯度的方向定義為：a(x,y)=arctan(Gy/Gx)(5)數字圖像中，求導數是利用差分近似微分來完成的。根據模板的大小以及權值的不同，人們提出了很多梯度算子，比如Roberts算子、Sobel算子、Prewitt算子都是基于一階微分的梯度經典算子。
1.1.1Roberts算子
根據計算梯度原理，采用對角線方向相鄰2像素之差得到的就是Roberts算子。Roberts算子是22模板的一階微分算子，是一種斜向偏差分的梯度計算方法,梯度的大小代表邊緣的強度,梯度的方向與邊緣走向垂直，因此，Roberts梯度算子檢測水平和垂直邊緣的效果好，定位精度高,但容易丟失部分邊緣。因為Roberts沒進行平滑處理,對噪聲較敏感，經常會出現孤立點。用該算子處理邊緣陡峭度高且噪聲小的圖像效果較佳［2］。
1.1.2Sobel算子
Sobel算子是使用3×3模板的一階微分算子，采用帶權值的方法計算差分，是在Roberts算子的基礎上將方向差分運算與局部平均結合起來的一種方法。Sobel算子以f(x,y)為中心的33的鄰域上計算x 和y方向上的偏導數Gx ,Gy 。利用像素上、下、左、右相鄰點的灰度加權算法，根據在邊緣點處達到極值進行邊緣檢測。Sobel算子很容易在空間上實現，對噪聲具有較好的平滑作用，能提供比較準確的邊緣方向信息，但定位精度不高，容易產生偽邊緣，其測得邊緣寬度一般至少為2個像素。但由于實際中很多情形下對定位精度的要求都不是很高，因此它是一種較為常用的邊緣檢測算子［2］。
1.1.3Prewitt算子
Prewitt和Sobel算子都是使用3×3模板的一階微分算子［10］，它們是在研究曲面擬合的基礎上提出的。擬合是指已知某連續函數的一系列離散函數值，通過最小二乘法等準則來確定該函數中的待定系數。Prewitt和Sobel算子的2個差分模板的系數之間的區別僅在于求平均的方法不同。隨后出現的Kirsch算子用不等權的8個3×3循環平均梯度算子分別與圖像進行卷積,取其中的最大值輸出,它可以檢測各個方向上的邊緣,減少了由于平均而造成的細節丟失,但同時增加了計算量。
1.2基于二階微分的邊緣檢測算法
前面討論了基于一階微分的邊緣檢測，如果所求的一階微分高于某一閾值，則確定該點為邊緣點。一階微分組成的梯度是一種矢量，不但有大小還有方向，和標量比較，數據存儲量比較大。一種更好的方法就是求梯度局部最大值對應的點，并認定它們是邊緣點，通過去除一階微分中的非局部最大值，可以檢測出更精確的邊緣。一階微分的局部最大值對應著二階微分的零交叉點，這意味著在邊緣點處有一階微分的峰值，同樣地，有二階微分的零交叉點。這樣，通過找圖像強度的二階微分的零交叉點就能找到邊緣點。
在二維空間，對應二階微分有兩種算子：Laplace算子和Marr算子。Laplace算子也稱拉氏算子，它的特點是具有旋轉對稱性而不具備方向性，只需要一個3×3模板。Laplace算子是對二維函數進行運算的二階導數算子，與方向無關，對取向不敏感，因而計算量要小。根據邊緣的特性，Laplace算子可以作為邊緣提取算子，計算數字圖像的Laplace值可以借助模板實現，但是它對噪聲相當敏感，它相當于高通濾波，常會出現一些虛假邊緣。由于Laplace算子存在著諸多缺陷，它一般并不直接應用于邊緣檢測，而是結合其它方法以提高邊緣的定位精度。而Marr算子就是在Laplace算子基礎上改進，由于它使用的是高斯型的Laplace模板，因此又被稱作LOG算子，先對圖像用Gauss函數進行平滑，然后利用Laplace算子對平滑的圖像求二階導數后得到的零交叉點作為待選邊緣［5］。LOG算子就是對圖像進行濾波和微分的過程，是利用旋轉對稱的LOG模板與圖像做卷積，確定濾波器輸出的零交叉位置。
1.3Canny算子
Canny算子［3］是最常用的邊緣檢測方法之一，是一個具有濾波、增強和檢測的多階段的優化算子。
該算法的基本過程如圖1所示。
圖1Canny算法流程Canny算子檢測邊緣的實質是求信號函數的極大值問題來判定圖像邊緣像素點。基本步驟為：
（1） 用高斯濾波器平滑圖像；
（2） 用一階偏導的有限差分來計算梯度的幅值和方向；
（3） 對梯度幅值進行非極大值抑制；
（4） 用雙閾值算法檢測和連接邊緣。Canny算子能夠得到連續完整的圖像，但需要注意的問題是：Gauss濾波的尺度，以及雙閾值的選擇。
1.4基于Snake模型的邊緣檢測算法
Snake模型是1987年由Kass［7］提出的，它的基本思想是以構成一定形狀的控制曲線為模板（或者稱為輪廓線），通過模板自身的彈性形變與圖像局部特征相匹配達到調和，即某種能量函數極小化，完成對圖像邊緣的提取，通過對模板的進一步分析而實現圖像的理解和識別。能量最小化模型已經有了很長的發展歷史，Kass對其進行了改進，采用動態調整的方法來實現它，對圖像的高層信息進行分析和提取而不至于受到太多低層信息的影響。通過在原始的最小化函數中加入外力因子，可以引導初始化的輪廓線朝著特定的方向前進，最后達到提取目標邊界的目的［6］。
1.4.1基本Snake 模型
Kass等提出的基本Snake模型由一組控制點組成，即v(s)=(x(s),y(s)),s∈［0,1］，其中x(s)和y(s)分別表示每個控制點在圖像中的坐標位置，s是以傅立葉變換形式描述邊界的自變量。其對應的能量函數定義為：ESnake=∫10ESnake(v(s))ds
=∫10Eint(v(s))+Eext(v(s))ds(6)式中：Eint為曲線的內部能量；Eext為外部能量。
內部能量定義為：Eint=(α(s)|vs(s)|2+β(s)|vss(s)|2)/2(7)式中|vs(s)|為彈性能量，是曲線相對于弧長的一階導數的模，受彈性系數的調節，控制著曲線的張力。|vss(s)|是彎曲能量，是曲線相對于弧長的二階導數的模，受剛性系數的調節，控制曲線的變形程度。
對于普通的灰度圖像I(x,y)，典型的外部能量（外部力）表達有如下2種定義： E1ext (x,y) = -|I(x,y)|2(8)
E2ext (x,y) = -|［Gσ(x,y)*I(x,y)］|2(9)式中為梯度算子，是方差為σ的二維高斯函數。在圖像邊緣區域，圖像灰度值的梯度往往較大，取反后計算以滿足能量最小的要求。
每一次迭代，曲線的變形是為了使如下的能量函數達到最小化：ESnake=∫1012［(α(s)|vs(s)|2+β(s)|vss(s)|2)］+
Eext(v(s))ds(10) 此時，能量ESnake必須滿足如下Euler公式：α(s)xss+β(s)xssss+Eextx=0(11)
α(s)yss+β(s)yssss+Eexty=0(12)彈性能量和彎曲能量合稱內部力，內部力用于控制輪廓線的彈性形變，選取適當的參數α(s)和β(s)將能量函數ESnake極小化，所對應的v(s)就是對物體的分割。在能量函數極小化過程中，彈性能量迅速把輪廓線壓縮成一個光滑的圓，彎曲能量驅使輪廓線成為光滑曲線或直線，而外部力則使輪廓線向圖像的高梯度位置靠攏，基本Snake模型就是在這3個力的聯合作用下工作的。
1.4.2改進的Snake模型
基本Snake模型在應用的時候存在一些缺陷：
（1） 要求初始的輪廓線必須與目標邊緣非常的接近，這是因為能量函數往往會收斂到一個非期望的局部最小值，如果初始的輪廓線離目標較遠，就會使曲線變形到一個無法預計的形狀；
(2) 基本Snake模型對無法捕獲凹陷邊界［11］。這樣就限制了Snake模型應用到一些存在凹陷區域的圖像上。
近年來，針對以上缺陷，許多研究不僅對Snake 模型本身的能量函數構造和求解算法作了很大改進，更在其基礎上衍生出了許多新輪廓線模型，它們有些在形式上已經與基本Snake 相去甚遠，而且也要復雜得多，但其指導思想卻是一脈相承的。比如，Cohen提出了一種氣球力理論［8］，通過使用不同尺度的外力場，增加外力場的捕捉范圍，來驅動輪廓線向目標邊緣逼近。Xu Chenyang提出的GVF Snake［9］將梯度矢量場(GVF)代替傳統外力場，讓曲線隨著圖像凹陷的部分而發生變形，圈出凹陷的邊緣，由于GVF對輪廓線的初始位置不是非常的敏感，尤其對于二值圖像，所以它可以很快的收斂到目標邊緣，很好地解決了這些問題。
GVF Snake將基本Snake 的外部力用擴散方程進行處理，得到整個圖像域的梯度向量場作為外部力，經過擴散方程處理后的GVF更加有序，更能體現物體邊界的宏觀走勢。由于GVF不是一個表達式，無法用能量函數的形式求解，因此GVF Snake是利用力的平衡條件進行優化。GVF Snake 具有更大的搜索范圍，對輪廓線初始位置不敏感，可以分割凹陷的邊界，對梯度絕對值的大小乃至噪聲具有更好的魯棒性，而且它還不必預先知道輪廓線是要膨脹還是收縮。
本文將改進的GVF Snake模型應用于醫學超聲液性病變圖像中，并與其他的邊緣檢測方法進行比較分析。
2實驗結果分析
醫學超聲診斷出的液性病變多以囊腫為主，常見的囊腫有甲狀腺囊腫、卵巢囊腫、肝囊腫等，這些超聲液性病變圖像灰度變化梯度不大，多見數個無回聲區，呈“蜂窩狀”，邊界不清晰。
本文選取兩幅具有代表性的肝囊腫、甲狀腺囊腫超聲液態病變圖像，用不同的邊緣檢測算法對其進行處理，實驗結果如圖2，圖3所示。
圖2基于經典邊緣檢測算法的肝囊腫超聲圖像邊緣提取結果圖3基于Snake模型的肝囊腫超聲圖像邊緣提取結果通過以上兩組實驗可以看出，由于超聲液態病變圖像固有特征，經典的邊緣檢測算法并不能清晰的勾畫出液性病灶的邊緣來，對包含病灶區域的擴大區域實施邊緣檢測算法，將得到更多冗余的邊緣信息，不能得到感興趣病灶區域的輪廓。而Snake模型卻可以較好地選取特定的區域，利用算法特有的曲線變化方式，最終收攏到雙側灰度梯度變換平衡點位置，達到邊緣提取的良好效果，主要原因在于：
(1) Snake模型可以人為的設定待提取邊緣的主要控制點，縮小了曲線變化的范圍，更加具有針對性的對特定區域進行邊緣提取；
(2) Snake模型對圖像灰度變化較敏感，在曲線內力和外力達到平衡的情況下，曲線可以很好的穩定在一個位置，形成平滑的連續的曲線。
圖4基于經典邊緣檢測算法的甲狀腺囊腫
超聲圖像的邊緣提取結果圖5基于Snake模型的甲狀腺囊腫超聲圖像邊緣提取結果3結語
本文應用幾種不同的邊緣檢測算法提取醫學超聲液態病變圖像的邊緣，實驗結果表明，經典邊緣檢測算法的提取效果不明顯，而基于Snake模型的邊緣提取算法由于采用動態的調整方法，提取的圖像邊緣完整、平滑、清晰，方便于后續的診斷性測量，具有一定的臨床應用價值，因此，在臨床使用的醫學超聲儀器中，使用類似算法提取液性病變圖像邊緣，將是一個應用趨勢。
參考文獻
